Sequential Sampling Modelle

Sequential Sampling Modelle stellen einfache „psychologische“ Modelle zur Simulation von Entscheidungsprozessen dar, welche die Ansammlung von Evidenz über mehrere Zeitschritte bis zum Erreichen einer Entscheidungsschwelle, welche das Ausführen einer Reaktion zur Folge hat, beschreiben. Sie basieren auf der Grundannahme, dass Menschen Entscheidungen treffen, indem sie nach und nach Informationen sammeln, bis eine bestimmte Schwelle erreicht ist. Die Akkumulation von Informationen findet dabei nicht strikt linear statt, sondern ist von Rauschen überlagert.

Sequential Sampling Modelle sind probabilistische Modelle, weshalb deren Output auch dann variieren kann, wenn das System mehrmals mit dem gleichen Input ausgeführt wird. Den Gegenpart dazu stellen deterministische Modelle dar, die sich dadurch auszeichnen, dass sich der Output bei gleichem Input nicht unterscheidet. Theoretiker betrachten probabilistische im Vergleich zu deterministischen Modellen als die besseren Beschreibungen für Befunde aus der Neurowissenschaft und Psychologie, da sie deren Messwerte, welche auch bei einfachsten Aufgaben viele Variationen beinhalten, akkurater reflektieren.

Ein Sequential Sampling lässt sich vereinfacht durch die folgende Formel beschreiben:

x(t) … Entscheidungszustand zum Zeitpunkt t A … Evidenz (positiv / negativ) n … Noise (Rauschen / Fehler)

Grundlage des Modells bildet eine Entscheidungsvariable x, welche den aktuellen Systemzustand wiederspiegelt und somit die bis zu einem Zeitpunkt angesammelte Evidenz für eine Option erfasst. Während des Prozesses der Entscheidungsfindung werden unter mehr oder weniger stark vorhandenem Rauschen zunehmend Informationen gesammelt, welche die Entscheidungsvariable stärker in Richtung einer der beiden Antworten bewegen. Sobald x eine der Schranken (= threshold) überschritten hat, wird die Entscheidung getroffen und der Evidenzakkumulationsprozess ist für diesen Durchlauf beendet.

Das am häufigsten verwendete Sequential Sampling Modell ist das Drift Diffusion Modell, dessen Evidenzakkumulationsprozess von mehreren Parametern beeinflusst wird, welche im Folgenden vorgestellt werden.

Modellparameter des Drift Diffusion Modells

Verschiedene Modellparameter haben Einfluss auf die Ergebnisse des modellierten Evidenzakkumulationsprozesses. Die am häufigsten verwendeten Parameter stellen der Driftparameter v, der Schrankenabstand a, der Entscheidungsbias z, und die non-decision time to dar.